越来越密集的流量在我们当地的环境中成为挑战,促使需要更好的交通监控和管理系统。与车辆粗加分类相比,细粒度的车辆分类似乎是一个具有挑战性的任务。因此,基本上需要探索车辆检测和分类的鲁棒方法,因此需要进行细粒度。现有的车辆制作和模型识别(VMMR)系统已经开发在同步和受控的流量条件上。需要在复杂,城市,异构和非同步交通条件下坚固的VMMR仍然是开放式研究区域。在本文中,使用深度学习解决了车辆检测和细粒度分类。为了进行相关复杂性进行细粒度分类,专门制备具有高内部和低次间变异的本地数据集THS-10。 DataSet由4250辆汽车型号的10辆车型号,即本田市,本田思域,铃木,铃木博拉,铃木文化,铃木Mehran,Suzuki Ravi,Suzuki Swift,Suzuki Wagon R和Toyota Corolla。此数据集可在线获取。已经探索了两种方法,并分析了从深神经网络的微调和特征提取的车辆分类。进行比较研究,并证明了更简单的方法可以在当地环境中产生良好的结果,以应对复杂的问题,如密集的遮挡和车道偏离。因此,减少了计算负荷和时间,例如,微调成立-V3产生的最高精度为97.4%,最低错误分类率为2.08%。微调MobileNet-V2和Reset-18分别产生96.8%和95.7%的精度。从FC6亚历尼特层的提取特征产生93.5%的精度,错误分类率为6.5%。
translated by 谷歌翻译